CN118157211A - 静态变频装置参数预测方法、装置和计算机设备 - Google Patents

静态变频装置参数预测方法、装置和计算机设备 Download PDF

Info

Publication number
CN118157211A
CN118157211A CN202410551500.8A CN202410551500A CN118157211A CN 118157211 A CN118157211 A CN 118157211A CN 202410551500 A CN202410551500 A CN 202410551500A CN 118157211 A CN118157211 A CN 118157211A
Authority
CN
China
Prior art keywords
frequency conversion
conversion device
static frequency
feature vector
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410551500.8A
Other languages
English (en)
Other versions
CN118157211B (zh
Inventor
闫文斌
巩宇
郁志斌
章剑雄
张立中
李德华
陈强
许凯
杨睿琪
钟世华
史昊天
罗竟哲
张煜基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd
Original Assignee
Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd filed Critical Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd
Priority to CN202410551500.8A priority Critical patent/CN118157211B/zh
Publication of CN118157211A publication Critical patent/CN118157211A/zh
Application granted granted Critical
Publication of CN118157211B publication Critical patent/CN118157211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/0003—Details of control, feedback or regulation circuits
    • H02M1/0025—Arrangements for modifying reference values, feedback values or error values in the control loop of a converter

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种静态变频装置参数预测方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括：获取与待分析静态变频装置关联的当前目标数据；将当前目标数据输入至预先训练的静态变频装置参数预测模型中，确定第一性能数据对应的第一特征向量和第一权重、第二性能数据对应的第二特征向量和第二权重以及当前用电数据对应的第三特征向量和第三权重；基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到目标特征向量；对目标特征向量进行参数预测处理，得到待分析静态变频装置对应的目标静态变频装置参数。采用本方法，能够提高静态变频装置参数的确定准确度。

Description

静态变频装置参数预测方法、装置和计算机设备
技术领域
本申请涉及电网技术领域，特别是涉及一种静态变频装置参数预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
为了保障电力企业的稳定供电，实现发电机转子旋转并网操作至关重要。
传统技术中，在发电机转子并网旋转的过程中，一般会通过设定固定的静态变频装置参数；但是，这种方式比较单一，在特定情况下难以达到最佳性能，从而导致静态变频装置参数的确定准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高静态变频装置参数的确定准确度的静态变频装置参数预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种静态变频装置参数预测方法，包括：
获取与待分析静态变频装置关联的当前目标数据；所述当前目标数据至少包括所述待分析静态变频装置的第一性能数据、与所述待分析静态变频装置关联的当前用电数据以及与所述待分析静态变频装置关联的待分析发电机组的第二性能数据；
将所述当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过所述预先训练的静态变频装置参数预测模型，确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重；
通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量；
对所述目标特征向量进行参数预测处理，得到所述待分析静态变频装置对应的目标静态变频装置参数。
在其中一个实施例中，所述确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重，包括：
将所述第一性能数据作为主要数据，将所述第二性能数据和所述当前用电数据作为辅助数据，输入到第一特征提取模型中，得到所述第一性能数据对应的特征向量，作为所述第一特征向量；
将所述第二性能数据作为主要数据，将所述第一性能数据和所述当前用电数据作为辅助数据，输入到第二特征提取模型中，得到所述第二性能数据对应的特征向量，作为所述第二特征向量；
将所述当前用电数据作为主要数据，将所述第一性能数据和所述第二性能数据作为辅助数据，输入到第三特征提取模型中，得到所述当前用电数据对应的特征向量，作为所述第三特征向量；
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行注意力机制处理，得到所述第一特征向量对应的第一权重、所述第二特征向量对应的第二权重和所述第三特征向量对应的第三权重。
在其中一个实施例中，所述当前目标数据还包括与所述待分析静态变频装置关联的励磁系统的第三性能数据；
所述通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量，包括：
通过所述预先训练的静态变频装置参数预测模型，确定所述第三性能数据对应的第四特征向量和第四权重；
通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重、所述第三权重和所述第四权重，对所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合处理，得到目标特征向量。
在其中一个实施例中，所述预先训练的静态变频装置参数预测模型，通过下述方式训练得到：
获取与样本静态变频装置关联的样本目标数据；所述样本目标数据至少包括所述样本静态变频装置的第一样本性能数据、与所述样本静态变频装置关联的样本用电数据以及与所述样本静态变频装置关联的样本发电机组的第二样本性能数据；
将所述样本目标数据输入至待训练的静态变频装置参数预测模型中，通过所述待训练的静态变频装置参数预测模型，确定所述第一样本性能数据对应的第一样本特征向量和第一样本权重、所述第二样本性能数据对应的第二样本特征向量和第二样本权重以及所述样本用电数据对应的第三样本特征向量和第三样本权重；
通过所述待训练的静态变频装置参数预测模型，基于所述第一样本权重、所述第二样本权重和所述第三样本权重，对所述第一样本特征向量、所述第二样本特征向量和所述第三样本特征向量进行融合处理，得到目标样本特征向量；
对所述目标样本特征向量进行参数预测处理，得到所述样本静态变频装置对应的预测静态变频装置参数；
根据所述样本静态变频装置对应的预测静态变频装置参数与实际静态变频装置参数之间的差异，对所述待训练的静态变频装置参数预测模型进行迭代训练，得到所述预先训练的静态变频装置参数预测模型。
在其中一个实施例中，所述获取与样本静态变频装置关联的样本目标数据，包括：
确定与所述待分析静态变频装置对应的关联静态变频装置；
获取与所述待分析静态变频装置对应的第一历史目标数据，以及与所述关联静态变频装置对应的第二历史目标数据；
将所述第一历史目标数据和所述第二历史目标数据，均作为与样本静态变频装置关联的样本目标数据。
在其中一个实施例中，所述获取与样本静态变频装置关联的样本目标数据，还包括：
建立目标约束函数；所述目标约束函数用于表征第一样本性能参数、第二样本性能参数和样本用电参数与目标静态变频装置参数之间的对应关系；
根据所述目标约束函数，确定目标静态变频装置参数满足预设目标时的第一样本性能参数、第二样本性能参数和样本用电参数，对应作为所述第一样本性能数据、所述第二样本性能数据和所述样本用电数据；所述实际静态变频装置参数为满足所述预设目标时的目标静态变频装置参数。
在其中一个实施例中，所述获取与待分析静态变频装置关联的当前目标数据，包括：
获取所述待分析静态变频装置的静态变频装置标识；
获取与所述静态变频装置标识对应的静态变频装置数据；
对所述静态变频装置数据进行预处理，得到预处理后静态变频装置数据；
从所述预处理后静态变频装置数据中，提取出所述第一性能数据、所述当前用电数据以及所述第二性能数据，得到与所述待分析静态变频装置关联的当前目标数据。
第二方面，本申请还提供了一种静态变频装置参数预测装置，包括：
数据获取模块，用于获取与待分析静态变频装置关联的当前目标数据；所述当前目标数据至少包括所述待分析静态变频装置的第一性能数据、与所述待分析静态变频装置关联的当前用电数据以及与所述待分析静态变频装置关联的待分析发电机组的第二性能数据；
模型预测模块，用于将所述当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过所述预先训练的静态变频装置参数预测模型，确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重；
目标获取模块，用于通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量；
参数预测模块，用于对所述目标特征向量进行参数预测处理，得到所述待分析静态变频装置对应的目标静态变频装置参数。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取与待分析静态变频装置关联的当前目标数据；所述当前目标数据至少包括所述待分析静态变频装置的第一性能数据、与所述待分析静态变频装置关联的当前用电数据以及与所述待分析静态变频装置关联的待分析发电机组的第二性能数据；
将所述当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过所述预先训练的静态变频装置参数预测模型，确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重；
通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量；
对所述目标特征向量进行参数预测处理，得到所述待分析静态变频装置对应的目标静态变频装置参数。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取与待分析静态变频装置关联的当前目标数据；所述当前目标数据至少包括所述待分析静态变频装置的第一性能数据、与所述待分析静态变频装置关联的当前用电数据以及与所述待分析静态变频装置关联的待分析发电机组的第二性能数据；
将所述当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过所述预先训练的静态变频装置参数预测模型，确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重；
通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量；
对所述目标特征向量进行参数预测处理，得到所述待分析静态变频装置对应的目标静态变频装置参数。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取与待分析静态变频装置关联的当前目标数据；所述当前目标数据至少包括所述待分析静态变频装置的第一性能数据、与所述待分析静态变频装置关联的当前用电数据以及与所述待分析静态变频装置关联的待分析发电机组的第二性能数据；
将所述当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过所述预先训练的静态变频装置参数预测模型，确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重；
通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量；
对所述目标特征向量进行参数预测处理，得到所述待分析静态变频装置对应的目标静态变频装置参数。
上述静态变频装置参数预测方法、装置、计算机设备、存储介质和计算机程序产品，先获取待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据以及与待分析静态变频装置关联的待分析发电机组的第二性能数据，作为与待分析静态变频装置关联的当前目标数据，再将当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定第一性能数据对应的第一特征向量和第一权重、第二性能数据对应的第二特征向量和第二权重以及当前用电数据对应的第三特征向量和第三权重，接着，通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到目标特征向量，最后，对目标特征向量进行参数预测处理，得到待分析静态变频装置对应的目标静态变频装置参数。这样，在进行静态变频装置参数预测时，通过预先训练的静态变频装置参数预测模型，对与待分析静态变频装置关联的各种当前目标数据进行融合处理，相当于综合了多种不同方面的数据，从而使得目标静态变频装置参数的预测结果更加全面，有利于提高目标静态变频装置参数的预测准确度，进而提高了静态变频装置参数的确定准确度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中静态变频装置参数预测方法的应用环境图；
图2为一个实施例中静态变频装置参数预测方法的流程示意图；
图3为一个实施例中确定性能数据对应的特征向量和权重的步骤的流程示意图；
图4为一个实施例中预先训练的静态变频装置参数预测模型的训练步骤的流程示意图；
图5为另一个实施例中静态变频装置参数预测方法的流程示意图；
图6为一个实施例中静态变频装置参数预测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
参考图1，目前，在发电机转子旋转并网的过程中，一般先通过电网输送电量给SFC（Static frequency conversion device，静态变频装置），再通过SFC产生发电机定子电流Ig（几千A的交流电）以及励磁参数，该励磁参数用于表征励磁系统输出电流的大小，并将发电机定子电流Ig输送给发电机定子，将励磁参数输送给励磁系统；然后，励磁系统根据该励磁参数，输出该励磁参数对应的励磁电流If（几百A的直流电），并输送给发电机转子；接着，设置有发电机定子电流Ig的发电机定子，以及设置有励磁电流If的发电机转子之间产生电磁感应，根据电磁感应原理，使得发电机定子拖动发电机转子旋转并网（比如，发电机定子绕组加电后产生旋转磁场，发电机转子铝条或铜环切割磁力线产生发电机转子电流，该发电机转子电流又使发电机转子产生磁场，并产生发电机定子电压，使得发电机定子和发电机转子的两个磁场互相推斥或吸引，使发电机转子随发电机定子的旋转磁场而旋转）。其中，SFC给励磁系统的励磁参数和给发电机定子的发电机定子电流Ig，是根据固定的时间T和固定的旋转频率F（比如时间T为4分钟，旋转频率F为50Hz），来控制SFC输出发电机定子电流Ig以及励磁参数，进而使得在固定的时间T内逐渐加速发电机转子，使其从静止状态开始旋转，最终使其旋转频率达到旋转频率F。但是，这种方式比较单一，在特定情况下难以达到最佳性能，从而导致静态变频装置参数的确定准确度较低。因此，本申请提供了一种静态变频装置参数预测方法，可以解决静态变频装置参数的确定准确度较低的问题，达到提高静态变频装置参数的确定准确度的效果。
在一个示例性的实施例中，如图2所示，提供了一种静态变频装置参数预测方法，本实施例以该方法应用于服务器进行举例说明；可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器之间的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤S201，获取与待分析静态变频装置关联的当前目标数据；当前目标数据至少包括待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据以及与待分析静态变频装置关联的待分析发电机组的第二性能数据。
其中，待分析静态变频装置是指需要进行分析的静态变频装置。需要说明的是，静态变频装置也称为SFC。
其中，当前目标数据是指当前待分析静态变频装置的静态变频装置数据，包括但不限于待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据、与待分析静态变频装置关联的待分析发电机组的第二性能数据、配套励磁系统的性能参数以及包含待分析静态变频装置的电厂电气一次回路拓补图。
其中，第一性能数据是指待分析静态变频装置的性能数据，比如变频能力和效率等。
其中，当前用电数据是指当前与电力使用相关的数据，比如所需电量、当时电价、预测电压曲线等。
其中，待分析发电机组是指与待分析静态变频装置关联的发电机组。
其中，第二性能数据是指待分析发电机组的性能数据，比如额定功率、效率、响应速度、电压、电流等。
其中，配套励磁系统是指与待分析静态变频装置关联的励磁系统。
其中，电厂电气一次回路拓补图是指用于展示电厂电气一次系统布局和连接关系的图示。
示例性地，服务器响应于针对待分析静态变频装置的分析指令，从数据库中获取待分析静态变频装置的静态变频装置标识；接着，服务器从数据库中获取与静态变频装置标识对应的静态变频装置数据；然后，服务器从静态变频装置数据中，提取出待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据以及与待分析静态变频装置关联的待分析发电机组的第二性能数据，均作为与待分析静态变频装置关联的当前目标数据。
步骤S202，将当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定第一性能数据对应的第一特征向量和第一权重、第二性能数据对应的第二特征向量和第二权重以及当前用电数据对应的第三特征向量和第三权重。
其中，静态变频装置参数预测模型是指用于对静态变频装置参数进行预测对应的网络模型。
其中，第一特征向量是指第一性能数据对应的特征向量。
其中，第一权重是指第一性能数据对应的权重。
其中，第二特征向量是指第二性能数据对应的特征向量。
其中，第二权重是指第二性能数据对应的权重。
其中，第三特征向量是指第三性能数据对应的特征向量。
其中，第三权重是指第三性能数据对应的权重。
示例性地，服务器将待分析静态变频装置的第一性能数据，输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定第一性能数据对应的第一特征向量和第一权重；接着，服务器将与待分析静态变频装置关联的待分析发电机组的第二性能数据，输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定第二性能数据对应的第二特征向量和第二权重；然后，服务器将与待分析静态变频装置关联的当前用电数据，输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定当前用电数据对应的第三特征向量和第三权重。
步骤S203，通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到目标特征向量。
其中，融合处理可以是指加权求和处理。
其中，目标特征向量是指对第一特征向量、第二特征向量和第三特征向量进行融合处理得到的特征向量。
示例性地，服务器通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到处理后的特征向量，作为目标特征向量；例如，服务器通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行加权求和处理，得到处理后的特征向量，作为目标特征向量。
步骤S204，对目标特征向量进行参数预测处理，得到待分析静态变频装置对应的目标静态变频装置参数。
其中，参数预测处理是指根据目标特征向量，得到待分析静态变频装置对应的目标静态变频装置参数对应的处理过程。
其中，目标静态变频装置参数是指待分析静态变频装置的静态变频装置参数对应的最优值，比如发电机转子旋转并网对应的时间的最优值以及发电机转子旋转并网对应的旋转频率的最优值。
示例性地，服务器对目标特征向量进行分类处理（比如通过全连接层进行分类处理），得到目标特征向量在各个预设静态变频装置参数下的分类概率；接着，服务器从各个预设静态变频装置参数中，筛选出分类概率最大的预设静态变频装置参数，作为目标特征向量对应的目标静态变频装置参数；然后，服务器将目标特征向量对应的目标静态变频装置参数，作为待分析静态变频装置对应的目标静态变频装置参数。
上述静态变频装置参数预测方法中，先获取待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据以及与待分析静态变频装置关联的待分析发电机组的第二性能数据，作为与待分析静态变频装置关联的当前目标数据，再将当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定第一性能数据对应的第一特征向量和第一权重、第二性能数据对应的第二特征向量和第二权重以及当前用电数据对应的第三特征向量和第三权重，接着，通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到目标特征向量，最后，对目标特征向量进行参数预测处理，得到待分析静态变频装置对应的目标静态变频装置参数。这样，在进行静态变频装置参数预测时，通过预先训练的静态变频装置参数预测模型，对与待分析静态变频装置关联的各种当前目标数据进行融合处理，相当于综合了多种不同方面的数据，从而使得目标静态变频装置参数的预测结果更加全面，有利于提高目标静态变频装置参数的预测准确度，进而提高了静态变频装置参数的确定准确度。
在一个示例性的实施例中，如图3所示，上述步骤S202，确定第一性能数据对应的第一特征向量和第一权重、第二性能数据对应的第二特征向量和第二权重以及当前用电数据对应的第三特征向量和第三权重，具体包括如下步骤：
步骤S301，将第一性能数据作为主要数据，将第二性能数据和当前用电数据作为辅助数据，输入到第一特征提取模型中，得到第一性能数据对应的特征向量，作为第一特征向量。
步骤S302，将第二性能数据作为主要数据，将第一性能数据和当前用电数据作为辅助数据，输入到第二特征提取模型中，得到第二性能数据对应的特征向量，作为第二特征向量。
步骤S303，将当前用电数据作为主要数据，将第一性能数据和第二性能数据作为辅助数据，输入到第三特征提取模型中，得到当前用电数据对应的特征向量，作为第三特征向量。
步骤S304，对第一特征向量、第二特征向量和第三特征向量进行注意力机制处理，得到第一特征向量对应的第一权重、第二特征向量对应的第二权重和第三特征向量对应的第三权重。
其中，主要数据可以是指对应权重较大的数据。
其中，辅助数据可以是指对应权重较小的数据。
其中，第一特征提取模型是指能够确定第一性能数据的特征向量对应的网络模型，比如卷积神经网络模型和循环神经网络模型。
其中，第一特征向量是指第一性能数据对应的特征向量。
其中，第二特征提取模型是指能够确定第二性能数据的特征向量对应的网络模型，比如卷积神经网络模型和循环神经网络模型。
其中，第二特征向量是指第二性能数据对应的特征向量。
其中，第三特征提取模型是指能够确定第三性能数据的特征向量对应的网络模型，比如卷积神经网络模型和循环神经网络模型。
其中，第三特征向量是指第三性能数据对应的特征向量。
其中，注意力机制处理是指确定特征向量的权重对应的处理过程。
示例性地，服务器将第一性能数据作为主要数据，将第二性能数据和当前用电数据作为辅助数据，输入到第一特征提取模型中，得到第一性能数据对应的特征向量，作为第一特征向量；接着，服务器将第二性能数据作为主要数据，将第一性能数据和当前用电数据作为辅助数据，输入到第二特征提取模型中，得到第二性能数据对应的特征向量，作为第二特征向量；然后，服务器将当前用电数据作为主要数据，将第一性能数据和第二性能数据作为辅助数据，输入到第三特征提取模型中，得到当前用电数据对应的特征向量，作为第三特征向量；最后，服务器对第一特征向量、第二特征向量和第三特征向量进行注意力机制处理，得到第一特征向量对应的第一权重、第二特征向量对应的第二权重和第三特征向量对应的第三权重；例如，服务器将第一特征向量、第二特征向量和第三特征向量输入至Transformer（转换器）模型中，通过Transformer模型，确定第一特征向量对应的第一权重、第二特征向量对应的第二权重和第三特征向量对应的第三权重。
本实施例中，通过特征提取模型进行特征提取处理的过程中，同时考虑了第一性能数据、第二性能数据和当前用电数据，相当于同时考虑了三种不同的数据，有利于提高第一特征向量、第二特征向量和第三特征向量的确定准确度，进而提高了第一权重、第二权重和第三权重的确定准确度。
在一个示例性的实施例中，当前目标数据还包括与待分析静态变频装置关联的励磁系统的第三性能数据。
那么，上述步骤S203，通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到目标特征向量，还包括：通过预先训练的静态变频装置参数预测模型，确定第三性能数据对应的第四特征向量和第四权重；通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重、第三权重和第四权重，对第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合处理，得到目标特征向量。
其中，第三性能数据是指与待分析静态变频装置关联的励磁系统的性能数据。
其中，第四特征向量是指第三性能数据对应的特征向量。
其中，第四权重是指第三性能数据对应的权重。
示例性地，服务器通过预先训练的静态变频装置参数预测模型，确定第三性能数据对应的特征向量和权重，分别作为第四特征向量和第四权重；接着，服务器通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重、第三权重和第四权重，对第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合处理，得到处理后的特征向量，作为目标特征向量；例如，服务器通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重、第三权重和第四权重，对第一特征向量、第二特征向量、第三特征向量和第四特征向量进行加权求和处理，得到处理后的特征向量，作为目标特征向量。
本实施例中，在确定目标特征向量是，除了考虑第一性能数据、第二性能数据和当前用电数据之外，还考虑了第三性能数据，相当于同时考虑了四种不同的数据，有利于提高目标特征向量的确定准确度。
在一个示例性的实施例中，如图4所示，本申请提供的静态变频装置参数预测方法还包括预先训练的静态变频装置参数预测模型的训练步骤，具体包括如下步骤：
步骤S401，获取与样本静态变频装置关联的样本目标数据；样本目标数据至少包括样本静态变频装置的第一样本性能数据、与样本静态变频装置关联的样本用电数据以及与样本静态变频装置关联的样本发电机组的第二样本性能数据。
步骤S402，将样本目标数据输入至待训练的静态变频装置参数预测模型中，通过待训练的静态变频装置参数预测模型，确定第一样本性能数据对应的第一样本特征向量和第一样本权重、第二样本性能数据对应的第二样本特征向量和第二样本权重以及样本用电数据对应的第三样本特征向量和第三样本权重。
步骤S403，通过待训练的静态变频装置参数预测模型，基于第一样本权重、第二样本权重和第三样本权重，对第一样本特征向量、第二样本特征向量和第三样本特征向量进行融合处理，得到目标样本特征向量。
步骤S404，对目标样本特征向量进行参数预测处理，得到样本静态变频装置对应的预测静态变频装置参数。
步骤S405，根据样本静态变频装置对应的预测静态变频装置参数与实际静态变频装置参数之间的差异，对待训练的静态变频装置参数预测模型进行迭代训练，得到预先训练的静态变频装置参数预测模型。
其中，样本静态变频装置是指用于训练静态变频装置参数预测模型对应的静态变频装置。
其中，样本目标数据是指样本静态变频装置的数据，包括但不限于样本静态变频装置的性能数据、与样本静态变频装置关联的样本用电数据、与样本静态变频装置关联的样本发电机组的性能数据、配套励磁系统的性能参数以及包含样本静态变频装置的电厂电气一次回路拓补图。
其中，第一样本性能数据是指样本静态变频装置的性能数据。
其中，样本用电数据是指与电力使用相关的样本数据。
其中，样本发电机组是指与样本静态变频装置关联的发电机组。
其中，第二样本性能数据是指样本发电机组的性能数据。
其中，第一样本特征向量是指第一样本性能数据对应的特征向量。
其中，第一样本权重是指第一样本性能数据对应的权重。
其中，第二样本特征向量是指第二样本性能数据对应的特征向量。
其中，第二样本权重是指第二样本性能数据对应的权重。
其中，第三样本特征向量是指第二样本性能数据对应的特征向量。
其中，第三样本权重是指第三样本性能数据对应的权重。
其中，目标样本特征向量是指对第一样本特征向量、第二样本特征向量和第三样本特征向量进行融合处理得到的特征向量。
其中，预测静态变频装置参数是指静态变频装置参数对应的预测值。
其中，实际静态变频装置参数是指静态变频装置参数对应的实际值。
示例性地，服务器响应于针对静态变频装置参数预测模型的模型训练指令，从数据库中获取与样本静态变频装置关联的样本静态变频装置数据；接着，服务器从样本静态变频装置数据中，提取出样本静态变频装置的第一样本性能数据、与样本静态变频装置关联的样本用电数据以及与样本静态变频装置关联的样本发电机组的第二样本性能数据，均作为与样本静态变频装置关联的样本目标数据；然后，服务器将样本静态变频装置的第一样本性能数据，输入至待训练的静态变频装置参数预测模型中，通过待训练的静态变频装置参数预测模型，确定第一样本性能数据对应的第一样本特征向量和第一样本权重；接着，服务器将与样本静态变频装置关联的样本发电机组的第二样本性能数据，输入至待训练的静态变频装置参数预测模型中，通过待训练的静态变频装置参数预测模型，确定第二样本性能数据对应的第二样本特征向量；然后，服务器将与样本静态变频装置关联的样本用电数据，输入至待训练的静态变频装置参数预测模型中，通过待训练的静态变频装置参数预测模型，确定样本用电数据对应的第三样本特征向量和第三样本权重；接着，服务器通过待训练的静态变频装置参数预测模型，基于第一样本权重、第二样本权重和第三样本权重，对第一样本特征向量、第二样本特征向量和第三样本特征向量进行融合处理，得到处理后的特征向量，作为目标样本特征向量；例如，服务器通过待训练的静态变频装置参数预测模型，基于第一样本权重、第二样本权重和第三样本权重，对第一样本特征向量、第二样本特征向量和第三样本特征向量进行加权求和处理，得到处理后的特征向量，作为目标样本特征向量；然后，服务器对目标样本特征向量进行分类处理（比如通过全连接层进行分类处理），得到目标样本特征向量在各个预设静态变频装置参数下的分类概率；接着，服务器从各个预设静态变频装置参数中，筛选出分类概率最大的预设静态变频装置参数，作为目标样本特征向量对应的目标静态变频装置参数；然后，服务器将目标样本特征向量对应的目标静态变频装置参数，作为样本静态变频装置对应的预测静态变频装置参数；接着，服务器获取样本静态变频装置对应的实际静态变频装置参数，并根据样本静态变频装置对应的预测静态变频装置参数与实际静态变频装置参数之间的差异，得到损失值；然后，服务器根据损失值，对待训练的静态变频装置参数预测模型的模型参数进行调整，并对模型参数调整后的静态变频装置参数预测模型进行再次训练，直到训练后的静态变频装置参数预测模型得到的损失值小于损失值阈值，则停止训练，并将该训练后的静态变频装置参数预测模型，作为预先训练的静态变频装置参数预测模型。
本实施例中，通过预先训练静态变频装置参数预测模型，便于在实际应用中，在获取待分析静态变频装置关联的当前目标数据后，对静态变频装置参数进行预测即可；而且，静态变频装置参数预测模型在每一轮迭代中接收新的数据，进行模型内部改进及优化，便于能够更有效地进行预测，有利于提高静态变频装置参数预测模型的预测准确率。
在一个示例性的实施例中，上述步骤S401，获取与样本静态变频装置关联的样本目标数据，还包括：确定与待分析静态变频装置对应的关联静态变频装置；获取与待分析静态变频装置对应的第一历史目标数据，以及与关联静态变频装置对应的第二历史目标数据；将第一历史目标数据和第二历史目标数据，均作为与样本静态变频装置关联的样本目标数据。
其中，关联静态变频装置可以是指与待分析静态变频装置性能数据相似的静态变频装置。
其中，第一历史目标数据是指与待分析静态变频装置对应的历史目标数据。
其中，第二历史目标数据是指与关联静态变频装置对应的历史目标数据。
示例性地，服务器从数据库中获取除待分析静态变频装置之外的其他静态变频装置的性能数据，并根据待分析静态变频装置的性能数据，确定其他静态变频装置的性能数据与待分析静态变频装置的性能数据之间的相似度；接着，服务器从其他静态变频装置中，筛选出相似度最大的静态变频装置，作为与待分析静态变频装置对应的关联静态变频装置；然后，服务器从数据库中获取与待分析静态变频装置对应的历史目标数据，作为第一历史目标数据，以及与关联静态变频装置对应的历史目标数据，作为第二历史目标数据；最后，服务器将第一历史目标数据和第二历史目标数据，均作为与样本静态变频装置关联的样本目标数据；例如，服务器将第一历史目标数据和第二历史目标数据进行组合，得到与样本静态变频装置关联的样本目标数据。
本实施例中，在进行静态变频装置参数预测模型的训练时，除了将待分析静态变频装置的历史目标数据作为训练样本，还将与待分析静态变频装置对应的关联静态变频装置的历史目标数据作为训练样本，从而可以获取更加丰富的样本数据，使得静态变频装置参数预测模型能够更好地适应不同的条件，具有更强的泛化能力。
在一个示例性的实施例中，上述步骤S401，获取与样本静态变频装置关联的样本目标数据，还包括：建立目标约束函数；目标约束函数用于表征第一样本性能参数、第二样本性能参数和样本用电参数与目标静态变频装置参数之间的对应关系；根据目标约束函数，确定目标静态变频装置参数满足预设目标时的第一样本性能参数、第二样本性能参数和样本用电参数，对应作为第一样本性能数据、第二样本性能数据和样本用电数据；实际静态变频装置参数为满足预设目标时的目标静态变频装置参数。
其中，目标约束函数是指用于筛选样本数据对应的约束函数。
其中，第一样本性能参数是指第一样本性能数据对应的变量。
其中，第二样本性能参数是指第二样本性能数据对应的变量。
其中，样本用电参数是指样本用电数据对应的变量。
其中，预设目标是指预先设定的条件，比如预设阈值，用于对目标静态变频装置参数进行判断。若目标静态变频装置参数满足预设目标，即目标静态变频装置参数在预设阈值内，则将第一样本性能参数、第二样本性能参数和样本用电参数，对应作为第一样本性能数据、第二样本性能数据和样本用电数据，并将目标静态变频装置参数，作为实际静态变频装置参数。
示例性地，服务器建立第一样本性能参数、第二样本性能参数和样本用电参数与目标静态变频装置参数之间的对应关系，作为目标约束函数；接着，服务器根据目标约束函数，对目标静态变频装置参数进行判断；在目标静态变频装置参数满足预设目标，即目标静态变频装置参数在预设阈值内的情况下，确定目标静态变频装置参数满足预设目标时的第一样本性能参数、第二样本性能参数和样本用电参数，对应作为第一样本性能数据、第二样本性能数据和样本用电数据，并将目标静态变频装置参数，作为实际静态变频装置参数；在目标静态变频装置参数不满足预设目标，即目标静态变频装置参数不在预设阈值内的情况下，继续调整第一样本性能参数、第二样本性能参数和样本用电参数，使目标静态变频装置参数满足预设目标，即将目标静态变频装置参数调整至预设阈值内。
本实施例中，根据目标约束函数，能够筛选出目标静态变频装置参数满足预设目标时对应的数据，有利于进一步的确定出符合条件的样本数据，有利于提高样本数据的确定效率，进而提高了静态变频装置参数预测模型的训练效率。
在一个示例性的实施例中，上述步骤S201，获取与待分析静态变频装置关联的当前目标数据，还包括：获取待分析静态变频装置的静态变频装置标识；获取与静态变频装置标识对应的静态变频装置数据；对静态变频装置数据进行预处理，得到预处理后静态变频装置数据；从预处理后静态变频装置数据中，提取出第一性能数据、当前用电数据以及第二性能数据，得到与待分析静态变频装置关联的当前目标数据。
其中，静态变频装置标识是指静态变频装置对应的标识信息，比如静态变频装置对应的装置名称。
其中，预处理后静态变频装置数据是指经过预处理后的静态变频装置数据。
示例性地，服务器响应于针对待分析静态变频装置的分析指令，从数据库中获取待分析静态变频装置的静态变频装置标识；接着，服务器从数据库中获取与静态变频装置标识对应的静态变频装置数据；然后，服务器对静态变频装置数据进行预处理，得到预处理后静态变频装置数据；例如，服务器利用数据处理技术，对静态变频装置数据进行清洗、融合、转换处理，得到预处理后静态变频装置数据；最后，服务器从预处理后静态变频装置数据中，提取出第一性能数据、当前用电数据以及第二性能数据，得到与待分析静态变频装置关联的当前目标数据。
本实施例中，通过对静态变频装置数据进行预处理，可以去除静态变频装置数据中冗余或无关的信息，有利于提高预处理后静态变频装置数据的质量和可用性，进而方便后续的分析和处理。
在一个示例性的实施例中，如图5所示，提供了另一种静态变频装置参数预测方法，以该方法应用于服务器进行举例说明，包括以下步骤：
步骤S501，获取待分析静态变频装置的静态变频装置标识；获取与静态变频装置标识对应的静态变频装置数据；对静态变频装置数据进行预处理，得到预处理后静态变频装置数据。
步骤S502，从预处理后静态变频装置数据中，提取出待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据、与待分析静态变频装置关联的待分析发电机组的第二性能数据以及与待分析静态变频装置关联的励磁系统的第三性能数据，得到与待分析静态变频装置关联的当前目标数据。
步骤S503，通过预先训练的静态变频装置参数预测模型，将第一性能数据作为主要数据，将第二性能数据和当前用电数据作为辅助数据，输入到第一特征提取模型中，得到第一性能数据对应的特征向量，作为第一特征向量。
步骤S504，通过预先训练的静态变频装置参数预测模型，将第二性能数据作为主要数据，将第一性能数据和当前用电数据作为辅助数据，输入到第二特征提取模型中，得到第二性能数据对应的特征向量，作为第二特征向量。
步骤S505，通过预先训练的静态变频装置参数预测模型，将当前用电数据作为主要数据，将第一性能数据和第二性能数据作为辅助数据，输入到第三特征提取模型中，得到当前用电数据对应的特征向量，作为第三特征向量。
步骤S506，通过预先训练的静态变频装置参数预测模型，对第一特征向量、第二特征向量和第三特征向量进行注意力机制处理，得到第一特征向量对应的第一权重、第二特征向量对应的第二权重和第三特征向量对应的第三权重。
步骤S507，通过预先训练的静态变频装置参数预测模型，确定第三性能数据对应的第四特征向量和第四权重。
步骤S508，通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重、第三权重和第四权重，对第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合处理，得到目标特征向量。
步骤S509，对目标特征向量进行参数预测处理，得到待分析静态变频装置对应的目标静态变频装置参数。
上述静态变频装置参数预测方法中，在进行静态变频装置参数预测时，通过预先训练的静态变频装置参数预测模型，对与待分析静态变频装置关联的各种当前目标数据进行融合处理，相当于综合了多种不同方面的数据，从而使得目标静态变频装置参数的预测结果更加全面，有利于提高目标静态变频装置参数的预测准确度，进而提高了静态变频装置参数的确定准确度。
在一个示例性的实施例中，为了更清晰阐明本申请实施例提供的静态变频装置参数预测方法，以下以一个具体的实施例对该静态变频装置参数预测方法进行具体说明。在一个实施例中，本申请还提供了一种自适应的SFC参数预测方法，在进行静态变频装置参数预测时，先获取待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据以及与待分析静态变频装置关联的待分析发电机组的第二性能数据，作为与待分析静态变频装置关联的当前目标数据，再将当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定第一性能数据对应的第一特征向量和第一权重、第二性能数据对应的第二特征向量和第二权重以及当前用电数据对应的第三特征向量和第三权重，接着，通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到目标特征向量，最后，对目标特征向量进行参数预测处理，得到待分析静态变频装置对应的目标静态变频装置参数。具体包括如下内容：
（1）采集不同类型发电机组的性能数据（比如额定功率、效率、响应速度、电压电流等）、不同类型SFC的性能数据（比如变频能力和效率等）、用电数据（比如所需电量、当时电价、预测电压曲线等）、配套励磁系统的性能参数（额定参数、响应速度、限制范围等）、电厂电气一次回路拓补图。
（2）根据不同类型发电机组的性能数据、不同类型SFC的性能数据以及用电数据，通过多目标约束函数（比如发电成本最低、性能最优等），计算得到SFC的时间T和旋转频率F。比如针对同一类型发电机组和同一类型SFC，在发电机组的性能数据是多少、SFC的性能数据是多少、用电数据是多少的情况下，时间T和旋转频率F可以达到最优值。
（3）将不同类型发电机组的性能数据、不同类型SFC的性能数据、用电数据以及SFC的时间T和旋转频率F作为样本数据，对待训练的SFC参数预测模型进行迭代训练，得到训练完成的SFC参数预测模型。
（4）获取当前发电机组的性能数据、当前SFC的性能数据和当前用电数据。
（5）将当前发电机组的性能数据、当前SFC的性能数据和当前用电数据，输入训练完成的SFC参数预测模型，得到时间T的最优值以及旋转频率F的最优值。比如，通过训练完成的SFC参数预测模型，计算得到当前发电机组的性能数据的特征向量以及权重、当前SFC的性能数据的特征向量以及权重、当前用电数据的特征向量以及权重，再结合当前发电机组的性能数据的特征向量以及权重、当前SFC的性能数据的特征向量以及权重、当前用电数据的特征向量以及权重，计算得到时间T的最优值以及旋转频率F的最优值。
上述实施例，在进行静态变频装置参数预测时，通过预先训练的静态变频装置参数预测模型，对与待分析静态变频装置关联的各种当前目标数据进行融合处理，相当于综合了多种不同方面的数据，从而使得目标静态变频装置参数的预测结果更加全面，有利于提高目标静态变频装置参数的预测准确度，进而提高了静态变频装置参数的确定准确度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的静态变频装置参数预测方法的静态变频装置参数预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个静态变频装置参数预测装置实施例中的具体限定可以参见上文中对于静态变频装置参数预测方法的限定，在此不再赘述。
在一个示例性的实施例中，如图6所示，提供了一种静态变频装置参数预测装置，包括：数据获取模块601、模型预测模块602、目标获取模块603和参数预测模块604，其中：
数据获取模块601，用于获取与待分析静态变频装置关联的当前目标数据；当前目标数据至少包括待分析静态变频装置的第一性能数据、与待分析静态变频装置关联的当前用电数据以及与待分析静态变频装置关联的待分析发电机组的第二性能数据。
模型预测模块602，用于将当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过预先训练的静态变频装置参数预测模型，确定第一性能数据对应的第一特征向量和第一权重、第二性能数据对应的第二特征向量和第二权重以及当前用电数据对应的第三特征向量和第三权重。
目标获取模块603，用于通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重和第三权重，对第一特征向量、第二特征向量和第三特征向量进行融合处理，得到目标特征向量。
参数预测模块604，用于对目标特征向量进行参数预测处理，得到待分析静态变频装置对应的目标静态变频装置参数。
在一个示例性的实施例中，模型预测模块602，还用于将第一性能数据作为主要数据，将第二性能数据和当前用电数据作为辅助数据，输入到第一特征提取模型中，得到第一性能数据对应的特征向量，作为第一特征向量；将第二性能数据作为主要数据，将第一性能数据和当前用电数据作为辅助数据，输入到第二特征提取模型中，得到第二性能数据对应的特征向量，作为第二特征向量；将当前用电数据作为主要数据，将第一性能数据和第二性能数据作为辅助数据，输入到第三特征提取模型中，得到当前用电数据对应的特征向量，作为第三特征向量；对第一特征向量、第二特征向量和第三特征向量进行注意力机制处理，得到第一特征向量对应的第一权重、第二特征向量对应的第二权重和第三特征向量对应的第三权重。
在一个示例性的实施例中，目标获取模块603，还用于通过预先训练的静态变频装置参数预测模型，确定第三性能数据对应的第四特征向量和第四权重；通过预先训练的静态变频装置参数预测模型，基于第一权重、第二权重、第三权重和第四权重，对第一特征向量、第二特征向量、第三特征向量和第四特征向量进行融合处理，得到目标特征向量。
在一个示例性的实施例中，该静态变频装置参数预测装置还包括模型训练模块，用于获取与样本静态变频装置关联的样本目标数据；样本目标数据至少包括样本静态变频装置的第一样本性能数据、与样本静态变频装置关联的样本用电数据以及与样本静态变频装置关联的样本发电机组的第二样本性能数据；将样本目标数据输入至待训练的静态变频装置参数预测模型中，通过待训练的静态变频装置参数预测模型，确定第一样本性能数据对应的第一样本特征向量和第一样本权重、第二样本性能数据对应的第二样本特征向量和第二样本权重以及样本用电数据对应的第三样本特征向量和第三样本权重；通过待训练的静态变频装置参数预测模型，基于第一样本权重、第二样本权重和第三样本权重，对第一样本特征向量、第二样本特征向量和第三样本特征向量进行融合处理，得到目标样本特征向量；对目标样本特征向量进行参数预测处理，得到样本静态变频装置对应的预测静态变频装置参数；根据样本静态变频装置对应的预测静态变频装置参数与实际静态变频装置参数之间的差异，对待训练的静态变频装置参数预测模型进行迭代训练，得到预先训练的静态变频装置参数预测模型。
在一个示例性的实施例中，模型训练模块，还用于确定与待分析静态变频装置对应的关联静态变频装置；获取与待分析静态变频装置对应的第一历史目标数据，以及与关联静态变频装置对应的第二历史目标数据；将第一历史目标数据和第二历史目标数据，均作为与样本静态变频装置关联的样本目标数据。
在一个示例性的实施例中，模型训练模块，还用于建立目标约束函数；目标约束函数用于表征第一样本性能参数、第二样本性能参数和样本用电参数与目标静态变频装置参数之间的对应关系；根据目标约束函数，确定目标静态变频装置参数满足预设目标时的第一样本性能参数、第二样本性能参数和样本用电参数，对应作为第一样本性能数据、第二样本性能数据和样本用电数据；实际静态变频装置参数为满足预设目标时的目标静态变频装置参数。
在一个示例性的实施例中，数据获取模块601，还用于获取待分析静态变频装置的静态变频装置标识；获取与静态变频装置标识对应的静态变频装置数据；对静态变频装置数据进行预处理，得到预处理后静态变频装置数据；从预处理后静态变频装置数据中，提取出第一性能数据、当前用电数据以及第二性能数据，得到与待分析静态变频装置关联的当前目标数据。
上述静态变频装置参数预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储第一性能数据、第二性能数据、当前用电数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种静态变频装置参数预测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种静态变频装置参数预测方法，其特征在于，所述方法包括：
获取与待分析静态变频装置关联的当前目标数据；所述当前目标数据至少包括所述待分析静态变频装置的第一性能数据、与所述待分析静态变频装置关联的当前用电数据以及与所述待分析静态变频装置关联的待分析发电机组的第二性能数据；
将所述当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过所述预先训练的静态变频装置参数预测模型，确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重；
通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量；
对所述目标特征向量进行参数预测处理，得到所述待分析静态变频装置对应的目标静态变频装置参数。
2.根据权利要求1所述的方法，其特征在于，所述确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重，包括：
将所述第一性能数据作为主要数据，将所述第二性能数据和所述当前用电数据作为辅助数据，输入到第一特征提取模型中，得到所述第一性能数据对应的特征向量，作为所述第一特征向量；
将所述第二性能数据作为主要数据，将所述第一性能数据和所述当前用电数据作为辅助数据，输入到第二特征提取模型中，得到所述第二性能数据对应的特征向量，作为所述第二特征向量；
将所述当前用电数据作为主要数据，将所述第一性能数据和所述第二性能数据作为辅助数据，输入到第三特征提取模型中，得到所述当前用电数据对应的特征向量，作为所述第三特征向量；
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行注意力机制处理，得到所述第一特征向量对应的第一权重、所述第二特征向量对应的第二权重和所述第三特征向量对应的第三权重。
3.根据权利要求1所述的方法，其特征在于，所述当前目标数据还包括与所述待分析静态变频装置关联的励磁系统的第三性能数据；
所述通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量，包括：
通过所述预先训练的静态变频装置参数预测模型，确定所述第三性能数据对应的第四特征向量和第四权重；
通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重、所述第三权重和所述第四权重，对所述第一特征向量、所述第二特征向量、所述第三特征向量和所述第四特征向量进行融合处理，得到目标特征向量。
4.根据权利要求1所述的方法，其特征在于，所述预先训练的静态变频装置参数预测模型，通过下述方式训练得到：
获取与样本静态变频装置关联的样本目标数据；所述样本目标数据至少包括所述样本静态变频装置的第一样本性能数据、与所述样本静态变频装置关联的样本用电数据以及与所述样本静态变频装置关联的样本发电机组的第二样本性能数据；
将所述样本目标数据输入至待训练的静态变频装置参数预测模型中，通过所述待训练的静态变频装置参数预测模型，确定所述第一样本性能数据对应的第一样本特征向量和第一样本权重、所述第二样本性能数据对应的第二样本特征向量和第二样本权重以及所述样本用电数据对应的第三样本特征向量和第三样本权重；
通过所述待训练的静态变频装置参数预测模型，基于所述第一样本权重、所述第二样本权重和所述第三样本权重，对所述第一样本特征向量、所述第二样本特征向量和所述第三样本特征向量进行融合处理，得到目标样本特征向量；
对所述目标样本特征向量进行参数预测处理，得到所述样本静态变频装置对应的预测静态变频装置参数；
根据所述样本静态变频装置对应的预测静态变频装置参数与实际静态变频装置参数之间的差异，对所述待训练的静态变频装置参数预测模型进行迭代训练，得到所述预先训练的静态变频装置参数预测模型。
5.根据权利要求4所述的方法，其特征在于，所述获取与样本静态变频装置关联的样本目标数据，包括：
确定与所述待分析静态变频装置对应的关联静态变频装置；
获取与所述待分析静态变频装置对应的第一历史目标数据，以及与所述关联静态变频装置对应的第二历史目标数据；
将所述第一历史目标数据和所述第二历史目标数据，均作为与样本静态变频装置关联的样本目标数据。
6.根据权利要求4所述的方法，其特征在于，所述获取与样本静态变频装置关联的样本目标数据，还包括：
建立目标约束函数；所述目标约束函数用于表征第一样本性能参数、第二样本性能参数和样本用电参数与目标静态变频装置参数之间的对应关系；
根据所述目标约束函数，确定目标静态变频装置参数满足预设目标时的第一样本性能参数、第二样本性能参数和样本用电参数，对应作为所述第一样本性能数据、所述第二样本性能数据和所述样本用电数据；所述实际静态变频装置参数为满足所述预设目标时的目标静态变频装置参数。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述获取与待分析静态变频装置关联的当前目标数据，包括：
获取所述待分析静态变频装置的静态变频装置标识；
获取与所述静态变频装置标识对应的静态变频装置数据；
对所述静态变频装置数据进行预处理，得到预处理后静态变频装置数据；
从所述预处理后静态变频装置数据中，提取出所述第一性能数据、所述当前用电数据以及所述第二性能数据，得到与所述待分析静态变频装置关联的当前目标数据。
8.一种静态变频装置参数预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取与待分析静态变频装置关联的当前目标数据；所述当前目标数据至少包括所述待分析静态变频装置的第一性能数据、与所述待分析静态变频装置关联的当前用电数据以及与所述待分析静态变频装置关联的待分析发电机组的第二性能数据；
模型预测模块，用于将所述当前目标数据输入至预先训练的静态变频装置参数预测模型中，通过所述预先训练的静态变频装置参数预测模型，确定所述第一性能数据对应的第一特征向量和第一权重、所述第二性能数据对应的第二特征向量和第二权重以及所述当前用电数据对应的第三特征向量和第三权重；
目标获取模块，用于通过所述预先训练的静态变频装置参数预测模型，基于所述第一权重、所述第二权重和所述第三权重，对所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合处理，得到目标特征向量；
参数预测模块，用于对所述目标特征向量进行参数预测处理，得到所述待分析静态变频装置对应的目标静态变频装置参数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202410551500.8A 2024-05-07 2024-05-07 静态变频装置参数预测方法、装置和计算机设备 Active CN118157211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410551500.8A CN118157211B (zh) 2024-05-07 2024-05-07 静态变频装置参数预测方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410551500.8A CN118157211B (zh) 2024-05-07 2024-05-07 静态变频装置参数预测方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN118157211A true CN118157211A (zh) 2024-06-07
CN118157211B CN118157211B (zh) 2024-07-26

Family

ID=91300792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410551500.8A Active CN118157211B (zh) 2024-05-07 2024-05-07 静态变频装置参数预测方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN118157211B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005004317A2 (de) * 2003-07-05 2005-01-13 Alstom Technology Ltd Frequenzumwandler für hochgeschwindigkeitsgeneratoren
CN115622118A (zh) * 2022-09-27 2023-01-17 国网天津市电力公司 一种基于低输出电压静止变频器调相机直接并网控制方法
CN115967311A (zh) * 2023-01-10 2023-04-14 北京四方继保自动化股份有限公司 一种同步机静止变频启动时中高频转子位置检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005004317A2 (de) * 2003-07-05 2005-01-13 Alstom Technology Ltd Frequenzumwandler für hochgeschwindigkeitsgeneratoren
CN115622118A (zh) * 2022-09-27 2023-01-17 国网天津市电力公司 一种基于低输出电压静止变频器调相机直接并网控制方法
CN115967311A (zh) * 2023-01-10 2023-04-14 北京四方继保自动化股份有限公司 一种同步机静止变频启动时中高频转子位置检测方法

Also Published As

Publication number Publication date
CN118157211B (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
WO2021133253A1 (en) Method and apparatus for predicting energy consumption, and device and storage medium thereof
Huang et al. QoS prediction model of cloud services based on deep learning
Zhao et al. Deep learning based model-free robust load restoration to enhance bulk system resilience with wind power penetration
Hijazi et al. Transfer learning for transient stability predictions in modern power systems under enduring topological changes
Wen et al. A statistical model for the design of rotary HTS flux pumps based on deep-learning neuron network
CN118014352A (zh) 基于lime模型的变电工程造价动态预警方法和装置
CN118157211B (zh) 静态变频装置参数预测方法、装置和计算机设备
CN116345498B (zh) 数据-模型混合驱动的电力系统的频率紧急协调控制方法
Boudissa et al. Improved Nelder-Mead algorithm for output voltage control of a synchronous generator
CN115577573B (zh) 同步发电机输出电流的预测方法、装置、设备和存储介质
Sang et al. Privacy-preserving hybrid cloud framework for real-time TCL-based demand response
CN118137571B (zh) 静态变频装置参数自适应确定方法、装置和计算机设备
Zhu et al. Collaborative prognostics of lithium-ion batteries using federated learning with dynamic weighting and attention mechanism
Khela et al. Application of artificial neural network for analysis of self-excited induction generator
CN117937477B (zh) 发电机组无功功率边界值预测方法、装置和计算机设备
CN116454890B (zh) 基于scuc模型的机组组合控制方法、装置和设备
US20240070538A1 (en) Feature interaction using attention-based feature selection
CN113435113B (zh) 一种电力系统暂态稳定评估方法及装置
CN116484201B (zh) 新能源电网负载预测方法、装置及电子设备
CN118626883A (zh) 负荷数据的特性分析分析方法、装置、计算机设备、可读存储介质和程序产品
CN118535355A (zh) 应用于大模型的输出辅助方法、装置、计算机设备、可读存储介质和程序产品
Aghtar et al. A Lyapunov spectrum based hybrid static and dynamic approach for contingency ranking
CN116470493A (zh) 多设备调度控制方法、装置和计算机设备
CN116579489A (zh) 基于直流频率限制调节能力的区域电力现货出清方法
Dolu-Surabhi et al. Prescriptive Analytics on Cloud Based Systems Using Deep Learning Techniques

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant